AGENT SKILL

ltv-calculation

Ltv Calculation — Skill especializada para ltv calculation

License 许可
MIT
最近更新
2026-08-01
Stars
★ 2
Forks
0

01 前言 Front Matter

name
ltv-calculation
risk
safe
license
MIT
metadata
{ "author": "Cafe Code AI", "updated": 1772323200000, "version": "1.0.0", "category": "15-analytics-dados" }
description
Ltv Calculation — Skill especializada para ltv calculation

03 SKILL.md 正文

Ltv Calculation

Esta skill capacita o Claude a calcular, analisar e otimizar o Lifetime Value (LTV) de clientes, integrando dados do Google Analytics 4 (GA4) para decisões estratégicas baseadas em dados.


Keywords

  • LTV Cálculo
  • Lifetime Value
  • GA4 LTV
  • Custo de Aquisição de Cliente (CAC)
  • Receita Média por Usuário (ARPU)
  • Churn Rate
  • Cohort Analysis
  • Monetização Cliente
  • Atribuição de LTV
  • CLTV
  • Engajamento Cliente

Quick Start

  1. Verifique a configuração de eventos de e-commerce (ex: purchase, add_to_cart) no GA4 para garantir a coleta correta de value e currency.
  2. Ative a exportação de dados do GA4 para o BigQuery, garantindo que os eventos de usuário e compra estejam acessíveis para análise detalhada.
  3. Execute uma query SQL no BigQuery para calcular o LTV histórico médio por coorte de aquisição, somando a receita de cada usuário ao longo do tempo.
  4. Crie um dashboard no Looker Studio (ou Power BI/Tableau) conectando-o ao BigQuery para visualizar o LTV por canal, coorte e segmento de cliente.

Core Workflows

Workflow 1: Cálculo e Análise de LTV Histórico com GA4 e BigQuery

Este workflow detalha o processo de extração e cálculo do Lifetime Value (LTV) de clientes usando dados brutos do Google Analytics 4 (GA4) exportados para o BigQuery, permitindo uma análise profunda por coortes.

Passo 1: Validação da Coleta de Dados de E-commerce no GA4 Antes de qualquer cálculo de LTV, é crucial que os eventos de e-commerce no GA4 estejam configurados corretamente. O evento purchase deve ser implementado com os parâmetros value (valor total da transação) e currency (moeda da transação).

  • Verificação no GA4 DebugView: Realize uma compra de teste e monitore o DebugView no GA4 para confirmar que o evento purchase está sendo disparado com os parâmetros value (ex: 125.50) e currency (ex: BRL).
  • Exemplo de GTM para GA4:
    // Exemplo de Data Layer para evento de compra
    window.dataLayer = window.dataLayer || [];
    dataLayer.push({
      event: "purchase",
      ecommerce: {
        transaction_id: "T_12345",
        value: 125.50,
        currency: "BRL",
        tax: 10.00,
        shipping: 5.00,
        items: [
          {
            item_id: "SKU_45678",
            item_name: "Camiseta Premium",
            price: 70.00,
            quantity: 1
          },
          {
            item_id: "SKU_90123",
            item_name: "Calça Jeans",
            price: 55.50,
            quantity: 1
          }
        ]
      }
    });
    
    Garanta que a tag de evento GA4 no GTM mapeie corretamente ecommerce.value para o parâmetro value do evento purchase.

Passo 2: Exportação e Acesso aos Dados do GA4 no BigQuery Acesse o Google Cloud Console e configure o link entre sua propriedade GA4 e o BigQuery. Isso garantirá que os dados de eventos brutos sejam exportados diariamente para uma tabela no BigQuery (seu_projeto.seu_dataset.events_YYYYMMDD).

  • Verificação: Após 24-48 horas da configuração, verifique a existência de tabelas events_YYYYMMDD no seu dataset do BigQuery.
  • Estrutura de Tabela: Familiarize-se com a estrutura da tabela, em particular as colunas user_pseudo_id (identificador único do usuário), event_timestamp (carimbo de data/hora do evento) e event_params (array de parâmetros do evento, onde value e currency são armazenados).

Passo 3: Cálculo do LTV Histórico por Coorte no BigQuery Utilize uma query SQL para identificar a primeira compra de cada usuário (definindo a coorte de aquisição) e, em seguida, somar todas as compras subsequentes feitas por esses usuários para calcular o LTV.

  • Definição de Coorte: A coorte será definida pelo mês da primeira compra de cada user_pseudo_id.
  • Fórmula: LTV de um cliente é a soma de todas as receitas geradas por ele ao longo de sua vida útil como cliente. Para um grupo (coorte), o LTV médio é (Receita Total da Coorte) / (Número de Clientes na Coorte).

Passo 4: Visualização do LTV em Dashboards no Looker Studio Conecte o Looker Studio (ou outra ferramenta de BI) à sua tabela de LTV calculada no BigQuery.

  • Gráfico de Linhas de LTV Cumulativo por Coorte: Mostre a evolução do LTV médio de cada coorte ao longo do tempo (ex: LTV_30d, LTV_60d, LTV_90d). Isso revela o valor que os clientes de cada coorte geram nos primeiros meses.
  • Tabela de LTV por Mês de Aquisição: Apresente o LTV médio de cada coorte, permitindo comparar a performance de aquisição ao longo do tempo.

Workflow 2: Atribuição de LTV e Otimização de Campanhas de Marketing

Este workflow foca em como usar o LTV para entender a real contribuição de cada canal de marketing e otimizar o investimento em aquisição de clientes.

Passo 1: Seleção do Modelo de Atribuição no GA4 No GA4, o modelo de atribuição padrão é "Baseado em Dados" (Data-Driven Attribution - DDA). Este modelo usa machine learning para distribuir o crédito de uma conversão entre os diferentes pontos de contato ao longo da jornada do cliente.

  • Acesso: Navegue para Administrador > Configurações de Atribuição no GA4. Confirme que o modelo "Baseado em Dados" está selecionado e a "Janela de Lookback" para eventos de conversão está configurada (ex: 90 dias para aquisição).
  • Consideração: Embora o DDA seja robusto, para análises específicas de LTV, pode ser útil comparar com modelos como "Primeiro Clique" ou "Último Clique" para entender a contribuição inicial versus a final.

Passo 2: Segmentação de Usuários por Canal de Aquisição no GA4 Para analisar o LTV por canal, você precisa identificar o canal que trouxe o usuário pela primeira vez. O GA4 oferece dimensões como Primeiro grupo de canais padrão do usuário (first_user_default_channel_group).

  • Relatórios GA4: Utilize os relatórios de "Aquisição de Usuários" no GA4. Aplique filtros para analisar o LTV médio de usuários provenientes de "Busca Orgânica", "Busca Paga", "Direto", "Mídia Social", etc.
  • Criação de Segmentos: Crie segmentos personalizados no GA4, por exemplo, "Usuários Adquiridos via Google Ads" usando a condição Primeiro grupo de canais padrão do usuário exatamente corresponde Paid Search.

Passo 3: Análise do LTV por Canal de Aquisição Exporte os dados segmentados do GA4 (ou use o BigQuery) para calcular o LTV médio para cada canal de aquisição.

  • Comparativo de LTV:
    • LTV Médio Google Ads (Search): R$ 550,00
    • LTV Médio Orgânico: R$ 800,00
    • LTV Médio Social Pago: R$ 320,00
    • LTV Médio Email Marketing: R$ 680,00
  • Insight: Clientes adquiridos via busca orgânica mostram um LTV 45% maior que os de busca paga, e 150% maior que os de social pago. Isso indica que, embora a busca paga traga volume, a orgânica atrai clientes de maior valor a longo prazo.

Passo 4: Otimização de Campanhas com Foco em LTV Use os insights do LTV por canal para realocar orçamentos e otimizar estratégias de marketing.

  • Alocação de Orçamento: Reduza o investimento em canais com LTV baixo (ex: Social Pago) e aumente em canais com LTV alto (ex: Orgânico, Email Marketing, ou segmentos específicos de Google Ads com LTV comprovado).
  • Otimização de Lances em Google Ads: Em vez de otimizar apenas para CPA (Custo por Aquisição) ou ROAS (Retorno sobre Gasto com Anúncios) imediato, ajuste os lances considerando o LTV esperado do cliente. Se o LTV de clientes de uma campanha específica de Google Ads é R$ 1.200 e o CPA é R$ 200, é um canal lucrativo a longo prazo, mesmo que o ROAS imediato seja menor que outra campanha com LTV de R$ 400 e CPA de R$ 50.
  • Exemplo Prático: Uma campanha de Google Ads para "Comprar tênis de corrida" tem um LTV médio de R$ 450,00. Uma campanha para "Comprar tênis casual" tem LTV de R$ 300,00. Priorize a otimização e o investimento na campanha de "tênis de corrida".

Templates

Query SQL para LTV Histórico por Coorte (BigQuery GA4)

WITH UserFirstPurchase AS (
  -- Identifica a data da primeira compra para cada usuário
  SELECT
    user_pseudo_id,
    MIN(PARSE_DATE('%Y%m%d', event_date)) AS first_purchase_date
  FROM
    `seu_projeto.seu_dataset.events_*` -- Substitua pelo seu projeto e dataset
  WHERE
    event_name = 'purchase'
    AND (SELECT ep.value.double_value FROM UNNEST(event_params) AS ep WHERE ep.key = 'value') IS NOT NULL -- Garante que o valor da compra existe
  GROUP BY
    user_pseudo_id
),
UserPurchases AS (
  -- Agrega todas as compras por usuário com seus respectivos valores
  SELECT
    t1.user_pseudo_id,
    PARSE_DATE('%Y%m%d', t1.event_date) AS purchase_date,
    (SELECT ep.value.double_value FROM UNNEST(t1.event_params) AS ep WHERE ep.key = 'value') AS purchase_value
  FROM
    `seu_projeto.seu_dataset.events_*` AS t1 -- Substitua pelo seu projeto e dataset
  WHERE
    t1.event_name = 'purchase'
    AND (SELECT ep.value.double_value FROM UNNEST(t1.event_params) AS ep WHERE ep.key = 'value') IS NOT NULL
)
SELECT
  FORMAT_DATE('%Y-%m', ufp.first_purchase_date) AS acquisition_month, -- Mês de aquisição do cliente (primeira compra)
  COUNT(DISTINCT ufp.user_pseudo_id) AS total_users_acquired, -- Número total de clientes na coorte
  SUM(up.purchase_value) AS total_revenue_from_cohort, -- Receita total gerada por essa coorte
  SUM(up.purchase_value) / COUNT(DISTINCT ufp.user_pseudo_id) AS average_ltv_per_user_in_cohort -- LTV médio por cliente na coorte
FROM
  UserFirstPurchase AS ufp
JOIN
  UserPurchases AS up
  ON ufp.user_pseudo_id = up.user_pseudo_id
WHERE
  up.purchase_date >= ufp.first_purchase_date -- Considera apenas compras feitas após a primeira compra
GROUP BY
  acquisition_month
ORDER BY
  acquisition_month;

Estrutura de Relatório LTV no Looker Studio

Título: Dashboard de Lifetime Value (LTV) - E-commerce Exemplo
Fonte de Dados: BigQuery (GA4 Export - Tabela de LTV Calculada)

Página 1: Visão Geral do LTV
  - Cartão de Pontuação: LTV Médio Geral (Ex: R$ 650,00 - calculado pela média de 'average_ltv_per_user_in_cohort' do período)
  - Gráfico de Linhas: LTV Cumulativo por Coorte (Mês de Aquisição)
    - Dimensão: Mês de Aquisição ('acquisition_month')
    - Métrica: LTV Médio (Cumulative) - Crie um campo calculado para somar o LTV médio ao longo dos meses.
    - Exemplo de dados:
      - Jan/2023: LTV_30d R$180, LTV_60d R$250, LTV_90d R$310
      - Fev/2023: LTV_30d R$200, LTV_60d R$280, LTV_90d R$350
  - Tabela: LTV por Mês de Aquisição e Período (30, 60, 90, 180 dias)
    - Colunas: Mês de Aquisição, Total Clientes, LTV_30d, LTV_60d, LTV_90d, LTV_180d (necessita cálculo prévio no BigQuery ou campos calculados no Looker Studio)
    - Exemplo de dados:
      | Mês Aquisição | Total Clientes | LTV_30d | LTV_60d | LTV_90d | LTV_180d |
      |---------------|----------------|---------|---------|---------|----------|
      | 2023-01       | 1200           | R$180   | R$250   | R$310   | R$420    |
      | 2023-02       | 1500           | R$200   | R$280   | R$350   | R$480    |
  - Gráfico de Barras: Top 5 Canais de Aquisição por LTV
    - Dimensão: Canal de Aquisição (GA4 First user default channel group, com LTV médio agregado)
    - Métrica: LTV Médio
    - Exemplo de dados: Orgânico (R$800), Email (R$680), Paid Search (R$550), Referral (R$400), Social Pago (R$320)

Página 2: LTV por Segmento
  - Filtro: Categoria de Produto Mais Comprada (Ex: Roupas, Eletrônicos, Livros)
  - Tabela: LTV por Gênero e Idade (se dados demográficos disponíveis e relevantes no GA4/CRM)
  - Gráfico de Pizza: Distribuição do LTV por Status de Cliente (Ex: Novo Cliente vs. Cliente Recorrente)
  - Gráfico de Barras: Comparativo LTV entre Campanhas Específicas de Google Ads
    - Dimensão: Nome da Campanha (ou ID da Campanha)
    - Métrica: LTV Médio

Checklist

  • [x] Confirmar que o link GA4-BigQuery está ativo e exportando dados diários de eventos para seu_projeto.seu_dataset.events_YYYYMMDD.
  • [x] Validar a coleta de eventos purchase com os parâmetros value e currency no GA4 (via DebugView ou relatórios de eventos).
  • [x] Implementar uma lógica de coorte para agrupar usuários pela data de sua primeira compra ou interação mais significativa no BigQuery.
  • [x] Calcular o LTV histórico usando a soma cumulativa da receita líquida por usuário ao longo do tempo (considerando devoluções/cancelamentos).
  • [x] Segmentar usuários por first_user_default_channel_group ou first_user_source/medium para analisar o LTV por canal de aquisição.
  • [x] Desenvolver um dashboard interativo no Looker Studio (ou ferramenta de BI similar) para monitorar o LTV por coorte, canal e outros segmentos.
  • [x] Analisar a relação entre Custo de Aquisição de Cliente (CAC) e LTV por canal para identificar oportunidades de otimização de investimento.
  • [x] Considerar a aplicação de modelos de LTV preditivo (ex: BG/NBD, Gamma-Gamma) para estimar o valor futuro dos clientes.
  • [x] Criar alertas automatizados para quedas significativas no LTV médio de coortes recentes, indicando possíveis problemas de qualidade de aquisição ou retenção.
  • [x] Testar diferentes estratégias de retenção de clientes (ex: programas de fidelidade, automação de e-mail) e medir seu impacto direto no LTV.

Métricas de Referência

Métrica Benchmark (e-commerce médio) Meta (e-commerce de alto crescimento)
LTV Médio (12 meses) R$ 300 - R$ 800 R$ 900+
Relação LTV:CAC 3:1 4:1+
Ticket Médio (AOV) R$ 150 - R$ 250 R$ 300+
Taxa de Recompra (6 meses) 20% - 35% 40%+
Churn Rate Mensal 3% - 7% 1% - 2%
LTV por Canal (Paid Search) R$ 400 - R$ 700 R$ 800+

Erros Comuns

  1. Não considerar devoluções/cancelamentos no cálculo do LTV: O LTV deve refletir a receita líquida. Muitos calculam o LTV somando todas as compras sem subtrair os valores de itens devolvidos ou pedidos cancelados.

    • Como evitar: Ao extrair dados do GA4 via BigQuery, inclua a lógica para identificar e subtrair o valor de eventos de refund ou ajustar o valor do purchase se a API de Measurement Protocol for usada para registrar devoluções. Certifique-se de que o value no evento purchase já seja líquido ou que as devoluções sejam tratadas como eventos separados com valores negativos.
  2. Usar apenas LTV histórico para decisões prospectivas: O LTV histórico é uma métrica retrospectiva. Para otimizar lances de anúncios, prever rentabilidade de novos clientes ou alocar orçamento de marketing de forma eficiente, o LTV preditivo é mais adequado.

    • Como evitar: Complemente a análise de LTV histórico com um modelo de LTV preditivo (CLTV - Customer Lifetime Value). Isso pode ser feito com algoritmos de Machine Learning (ex: BG/NBD para previsão de compras e Gamma-Gamma para previsão de valor) ou modelos estatísticos mais simples baseados em dados de coortes anteriores.
  3. Ignorar a segmentação detalhada do LTV: Um LTV médio geral pode mascarar diferenças significativas entre segmentos de clientes, canais de aquisição ou categorias de produtos.

    • Como evitar: Sempre segmente o LTV por dimensões críticas como first_user_default_channel_group, tipo de produto da primeira compra, dados demográficos, comportamento de engajamento, etc. Exemplo: um LTV geral de R$ 500 pode esconder um LTV de R$ 1.200 para clientes de busca orgânica e R$ 250 para clientes de social pago, exigindo estratégias de investimento muito diferentes.
  4. Não vincular o LTV ao Custo de Aquisição de Cliente (CAC): Calcular o LTV isoladamente é menos acionável. A relação LTV:CAC é fundamental para avaliar a sustentabilidade e a lucratividade das estratégias de aquisição.

    • Como evitar: Sempre calcule o CAC por canal e compare-o com o LTV do mesmo canal. Uma relação LTV:CAC de 3:1 ou

04 同仓库更多 Skills